import os
import json
import numpy as np
import pandas as pd
import scipy.stats as sps
from tqdm.auto import tqdm

import matplotlib.pyplot as plt
import seaborn as sns
import plotly.io as pio
import plotly.express as px

import sklearn.datasets
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans, DBSCAN
from sklearn.mixture import GaussianMixture

sns.set_theme(style="darkgrid", palette="Set2")
pio.renderers.default = "notebook"
pd.options.display.max_colwidth = 100

n_samples = 1500

# Генерация данных
data, clusters = sklearn.datasets.make_blobs(
    n_samples=n_samples,
    centers=[[-1, 1], [1, 1], [0, 0.5], [1, 0]],
    cluster_std=[0.1, 0.2, 0.3, 0.05],
    random_state=42,
)

# Визуализация
plt.figure(figsize=(12, 8))
sns.scatterplot(x=data[:, 0], y=data[:, 1], hue=clusters, alpha=0.5, palette="Set2")

plt.title("Искусственный датасет")
plt.xlabel("1-й признак")
plt.ylabel("2-й признак")
plt.show()

plt.figure(figsize=(12, 20))
plt.suptitle("Визуализация работы k-means по шагам", y=0.995)

# Начальные значения
centres = np.array([[1, 0.0], [1, 0.3], [1, 0.6], [1, 0.9]])
n_clusters = len(centres)
y_pred = None

for n in range(1, n_clusters + 1):
    plt.subplot(4, 2, n * 2 - 1)

    if n == 1:
        plt.title("Инициализация центров кластеров")
        sns.scatterplot(x=data[:, 0], y=data[:, 1], c="gray", alpha=0.5)
    else:
        plt.title("Обновление центров кластеров")
        sns.scatterplot(
            x=data[:, 0], y=data[:, 1], hue=y_pred, alpha=0.5, palette="Set2"
        )
    sns.scatterplot(
        x=centres[:, 0],
        y=centres[:, 1],
        hue=np.arange(n_clusters),
        marker="*",
        s=200,
        edgecolors="black",
        palette="Set2",
        legend=False,
    )
    sns.scatterplot(
        x=centres[:, 0],
        y=centres[:, 1],
        s=1000,
        edgecolors="black",
        facecolor="none",
        linewidths=1,
    )

    # Предсказание
    y_pred = np.argmin(
        [np.sum((data - centres[j]) ** 2, axis=1) for j in range(n_clusters)], axis=0
    )

    plt.subplot(4, 2, n * 2)

    plt.title("Разделение на кластеры")
    sns.scatterplot(x=data[:, 0], y=data[:, 1], hue=y_pred, alpha=0.5, palette="Set2")
    sns.scatterplot(
        x=centres[:, 0],
        y=centres[:, 1],
        hue=np.arange(n_clusters),
        marker="*",
        s=200,
        edgecolors="black",
        palette="Set2",
        legend=False,
    )
    sns.scatterplot(
        x=centres[:, 0],
        y=centres[:, 1],
        alpha=0.7,
        s=1000,
        edgecolors="black",
        facecolor="none",
        linewidths=1,
    )

    # Переопределение центров кластеров
    centres = np.array(
        list(np.mean(data[y_pred == j], axis=0) for j in range(n_clusters))
    )

plt.tight_layout()
plt.show()

fig = plt.figure(figsize=(14, 8))
fig.suptitle("Визуализация работы k-means в зависимости от числа кластеров")

for n in range(2, 8):
    # Предсказание
    kmeans = KMeans(n_clusters=n, n_init="auto", random_state=42)
    kmeans.fit(data)
    y_pred = kmeans.predict(data)

    # Визуализация
    plt.subplot(2, 3, n - 1)
    sns.scatterplot(x=data[:, 0], y=data[:, 1], hue=y_pred, alpha=0.5, palette="Set2")
    plt.title(f"{n} кластеров")

plt.tight_layout()
plt.show()

plt.figure(figsize=(14, 8))
fig.suptitle("Визуализация работы EM-алгоритма в зависимости от чила кластеров")

for n in range(2, 8):
    # Предсказание
    em_algo = GaussianMixture(n_components=n, n_init=10, random_state=42)
    em_algo.fit(data)
    y_pred = em_algo.predict(data)

    # Визуализация
    plt.subplot(2, 3, n - 1)
    sns.scatterplot(x=data[:, 0], y=data[:, 1], hue=y_pred, alpha=0.5, palette="Set2")
    plt.title(f"{n} кластеров")

plt.tight_layout()
plt.show()

def visualize_dbscan_predicts(dbscan, legend="full", scale_sizes=1, title=None):
    """
    Визуализирует результаты DBSCAN, крупные точки - внутренние, небольшие - граничные, черные - выбросы

    :param dbscan: обученный DBSCAN
    :param legend: тип легенды из seaborn.scatterplot
    :param scale_sizes: коэффициент размера точек
    :param title: заголовок графика
    """
    # Делаем маску внутренних точек
    core_samples_mask = np.zeros_like(dbscan.labels_, dtype=bool)
    core_samples_mask[dbscan.core_sample_indices_] = True

    # Достаем предсказанные кластеры
    labels = dbscan.labels_

    # Визуализируем
    if title is not None:
        plt.title(title)

    label_names = {-1: "Выбросы"} | {
        label: f"Кластер {label}" for label in set(labels) if label != -1
    }
    palette = {
        name: sns.palettes.color_palette("Set2")[label % 8]
        for label, name in label_names.items()
        if label != -1
    } | {"Выбросы": (0, 0, 0)}

    sns.scatterplot(
        x=data[:, 0],
        y=data[:, 1],
        hue=map(lambda l: label_names[l], labels),
        size=[
            "Внутренние точки" if is_core else "Граничные точки"
            for is_core in core_samples_mask
        ],
        sizes={
            "Внутренние точки": 30 * scale_sizes,
            "Граничные точки": 10 * scale_sizes,
        },
        palette=palette,
        alpha=0.7,
        legend=legend,
    )


# Обучаем DBSCAN
dbscan = DBSCAN(eps=0.2, min_samples=25)
dbscan.fit(data)

# Визуализируем
plt.figure(figsize=(12, 8))
visualize_dbscan_predicts(
    dbscan, legend="full", scale_sizes=4, title="Кластеризация с помощью DBSCAN"
)
plt.show()

# Сетка параметров
eps_grid = np.linspace(0.01, 0.1, 5)
min_samples_grid = np.arange(1, 6)

fig = plt.figure(figsize=(20, 20))
fig.suptitle("Визуализация работы DBSCAN при разных гиперпараметрах")

for i, eps in enumerate(eps_grid):
    for j, min_samples in enumerate(min_samples_grid):
        # Предсказываем кластеры
        dbscan = DBSCAN(eps=eps, min_samples=min_samples)
        dbscan.fit(data)

        # Визуализируем
        plt.subplot(5, 5, i * 5 + j + 1)
        plt.title(f"$\\varepsilon$={np.round(eps, 2)}, $min\_samples$={min_samples}")
        visualize_dbscan_predicts(dbscan, legend=False, scale_sizes=1)

plt.tight_layout()
plt.show()

# Генерируем недостающие данные
n_samples = 1500
noisy_circles, _ = sklearn.datasets.make_circles(
    n_samples=n_samples, factor=0.5, noise=0.05, random_state=42
)
noisy_moons, _ = sklearn.datasets.make_moons(
    n_samples=n_samples, noise=0.05, random_state=42
)
ellipses = (
    np.concatenate(
        [
            sps.multivariate_normal(mean=[0, 0], cov=[[0.1, 0], [0, 2.0]]).rvs(
                n // 4, random_state=42
            ),
            sps.multivariate_normal(mean=[5, -5], cov=[[2.0, 1.8], [1.8, 2.0]]).rvs(
                n // 4, random_state=42
            ),
            sps.multivariate_normal(mean=[8, 6], cov=[[0.5, 0], [0, 0.5]]).rvs(
                n // 4, random_state=42
            ),
            sps.multivariate_normal(mean=[3, 0], cov=[[5, 0], [0, 5]]).rvs(
                n // 4, random_state=42
            ),
        ]
    )
    / 4
)


# Визуализируем
plt.figure(figsize=(15, 12))
plot_idx = 1
dataset_list = [noisy_circles, noisy_moons, data, ellipses]

for i_dataset, dataset in enumerate(dataset_list):
    # Создаем методы кластеризации
    clustering_algorithms = (
        (
            "K-Means (n_clusters=2)",
            KMeans(n_clusters=2, n_init="auto", random_state=42),
        ),
        (
            "K-Means (n_clusters=4)",
            KMeans(n_clusters=4, n_init="auto", random_state=42),
        ),
        (
            "EM algorithm (n_clusters=2)",
            GaussianMixture(n_components=2, n_init=10, random_state=42),
        ),
        (
            "EM algorithm (n_clusters=4)",
            GaussianMixture(n_components=4, n_init=10, random_state=42),
        ),
        ("DBSCAN", dbscan),
    )

    for name, algorithm in clustering_algorithms:
        # Делаем предсказания
        predict_labels = algorithm.fit_predict(dataset)

        # Строим график точек и предсказанных меток
        plt.subplot(len(dataset_list), len(clustering_algorithms), plot_idx)
        if i_dataset == 0:
            plt.title(name, size=14)

        sns.scatterplot(
            x=dataset[:, 0],
            y=dataset[:, 1],
            hue=predict_labels,
            alpha=0.5,
            palette="Set2",
        )

        plt.legend(())
        plt.xticks(())
        plt.yticks(())
        plot_idx += 1

plt.tight_layout()
plt.show()

like_nn_answers = pd.read_csv("data/like_neuralnet_question.csv")
like_nn_answers

import torch.nn.functional as F

import torch
from transformers import AutoTokenizer, AutoModel
from sentence_transformers import SentenceTransformer


def average_pool(last_hidden_states, attention_mask):
    last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)
    return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]


tokenizer = AutoTokenizer.from_pretrained("intfloat/multilingual-e5-small")
model = AutoModel.from_pretrained("intfloat/multilingual-e5-small")

def make_embeddings(texts, model, tokenizer=None, batch_size=16):
    """
    Считает эмбеддинги текстов из массива texts

    :param texts: массив текстов
    :param model: модель для вычисления эмбеддингов
    :param tokenizer: токенизатор, соответствующий модели
    :param batch_size: размер батча при генерации эмбеддингов
    """
    text_embeddings = []

    for start_batch_idx in tqdm(range(0, len(texts), batch_size)):
        # Выбранная модель была обучена на входах, начинающихся с "query:" или "passage:".
        # Поэтому ко всем ответам надо добавить префикс "query:"
        input_texts = [
            "query: " + text
            for text in texts[start_batch_idx : start_batch_idx + batch_size]
        ]

        # Токенизируем тексты
        batch_dict = tokenizer(
            input_texts,
            max_length=512,
            padding=True,
            truncation=True,
            return_tensors="pt",
        )

        # Применяем модель
        with torch.no_grad():
            outputs = model(**batch_dict)

        # Агрегируем выходы в эмбеддинги и нормализуем их
        embeddings = average_pool(
            outputs.last_hidden_state, batch_dict["attention_mask"]
        )
        embeddings = F.normalize(embeddings, p=2, dim=1)
        text_embeddings.append(embeddings)

    return torch.cat(text_embeddings).cpu().numpy()


like_nn_embeddings = make_embeddings(
    like_nn_answers["answer"], model=model, tokenizer=tokenizer, batch_size=16
)

  0%|          | 0/19 [00:00<?, ?it/s]

# Делаем кластеризацию
kmeans = KMeans(n_clusters=4, n_init=20, random_state=42)
like_nn_clusters = kmeans.fit_predict(like_nn_embeddings)

huggingface/tokenizers: The current process just got forked, after parallelism has already been used. Disabling parallelism to avoid deadlocks...
To disable this warning, you can either:
	- Avoid using `tokenizers` before the fork if possible
	- Explicitly set the environment variable TOKENIZERS_PARALLELISM=(true | false)

# Делаем проекцию
pca = PCA(n_components=2)
like_nn_projection = pca.fit_transform(like_nn_embeddings)

# Интерактивная визуализация
fig = px.scatter(
    x=like_nn_projection[:, 0],
    y=like_nn_projection[:, 1],
    hover_name=like_nn_clusters,
    hover_data={"answer": like_nn_answers["answer"]},
    color=like_nn_clusters.astype(str),
    width=1000,
    height=800,
    title="PCA проекция эмбеддингов ответов на вопрос "
    '"Вам понравились нейронные сети?" на двумерное пространство',
    size=[1] * len(like_nn_answers),
    size_max=10,
)
fig.show()

cluster_names = [
    "Очень подробные преимущественно положительные ответы",
    'Очень короткие ответы "Да"',
    "Короткие отрицательные, нейтральные или трешовые ответы",
    "Средней длины положительные ответы",
]

for cluster in np.unique(like_nn_clusters):
    cluster_points = like_nn_projection[like_nn_clusters == cluster]
    cluster_answers = like_nn_answers.loc[like_nn_clusters == cluster, "answer"]

    # Находим центр кластера
    cluster_center = cluster_points.mean(axis=0)
    # Считаем расстояния до центра от каждой точки кластера
    distances = np.linalg.norm(cluster_center - cluster_points, axis=1)
    # Сортируем расстояния и берем индексы в порядке возрастания расстояний
    closest_idxs = np.argsort(distances)
    # Берем топ-5 уникальных ответов, соответствующих полученным индексам
    closest_answers = cluster_answers.iloc[closest_idxs].drop_duplicates()[:5]

    print(f"{cluster_names[cluster]}:")
    for i, ans in enumerate(closest_answers):
        print(f"    {i}. {ans}")
    print()

Очень подробные преимущественно положительные ответы:
    0. Если честно, на этот курс я пришёл ради статов, чтобы лучше работать аб-тесты. Ну впринципе прикольненько)
    1. Да это полезная вещь, с ее помощью можно решать полезные задачи, но тяжелая математика и обучать
    2. Относительно да. Мне нравится их применение, но совсем не нравится их математическая модель.
    3. Да!!!❤❤❤ Очень понравилось 😘👍❤️🐱. НЕЙРОНЫЕ СЕТИ ЛУЧШИН!)))))
хочу пояаще обучаться таклиу😙
    4. В первом приближении звучит местами интересно, но стоит в дальнейшем приглядеться

Очень короткие ответы "Да":
    0. да
    1. Да
    2. ДА!
    3. ДА
    4. Да)

Короткие отрицательные, нейтральные или трешовые ответы:
    0. Сети - да, математика на доске - нет
    1. +inf
    2. Перцептрон?
    3. Перцептрон!
    4. Наверное

Средней длины положительные ответы:
    0. Да, очень) Узнал много нового
    1. Позвольте ответить песней: Да!
Спасибо за внимание
    2. Да, очень, возьмите на DS-поток пожалуйста
    3. Да, забавно
    4. Даааа, лучшие!

test_answers = pd.read_csv("data/test_question.csv")
test_answers

# Считаем эмбеддинги
test_embeddings = make_embeddings(
    test_answers["answer"], model=model, tokenizer=tokenizer, batch_size=16
)

# Делаем кластеризацию
kmeans = KMeans(n_clusters=5, n_init=20, random_state=42)
test_clusters = kmeans.fit_predict(test_embeddings)

# Делаем проекцию
pca = PCA(n_components=2)
test_projection = pca.fit_transform(test_embeddings)

  0%|          | 0/37 [00:00<?, ?it/s]

# Интерактивная визуализация
fig = px.scatter(
    x=test_projection[:, 0],
    y=test_projection[:, 1],
    hover_name=test_clusters,
    hover_data={"answer": test_answers["answer"]},
    color=test_clusters.astype(str),
    width=1000,
    height=800,
    title="PCA проекция эмбеддингов ответов на тестовый вопрос на двумерное пространство",
    size=[1] * len(test_answers),
    size_max=10,
)
fig.show()

cluster_names = [
    'Короткие ответы, содержащие слово "ответ" или "тест"',
    "Короткий приветственный ответ",
    "Трешовые ответы на кириллице",
    "Трешовые ответы на латинице, эмодзи или цифры",
    "Относительно длинные ответы с рассказом про себя",
]

for cluster in np.unique(test_clusters):
    cluster_points = test_projection[test_clusters == cluster]
    cluster_answers = test_answers.loc[test_clusters == cluster, "answer"]

    # Находим центр кластера
    cluster_center = cluster_points.mean(axis=0)
    # Считаем расстояния до центра от каждой точки кластера
    distances = np.linalg.norm(cluster_center - cluster_points, axis=1)
    # Сортируем расстояния и берем индексы в порядке возрастания расстояний
    closest_idxs = np.argsort(distances)
    # Берем топ-5 уникальных ответов, соответствующих полученным индексам
    closest_answers = cluster_answers.iloc[closest_idxs].drop_duplicates()[:5]

    print(f"{cluster_names[cluster]}:")
    for i, ans in enumerate(closest_answers):
        print(f"    {i}. {ans}")
    print()

Короткие ответы, содержащие слово "ответ" или "тест":
    0. Другой ответ
    1. какой ответ
    2. изменение ответа
    3. Ответ.
    4. снова ответ

Короткий приветственный ответ:
    0. Привет)
    1. Привет ((
    2. Привет!
    3. Привет
    4. Привет.

Трешовые ответы на кириллице:
    0. Яхаааапаа
    1. Дадабо
    2. Рамзан
    3. Максим
    4. Лольк

Трешовые ответы на латинице, эмодзи или цифры:
    0. Salamaleikum
    1. ahahhaa
    2. Amogus
    3. Cccc
    4. Ggg

Относительно длинные ответы с рассказом про себя:
    0. Привет. Я снова здесь, могу этот курс перепачкать с прошлого раза, но интересно еще раз послушать
    1. Спасибо за курс) Ожидаю что-то интересное
    2. Добрый вечер! Я недавно закрыла матан!!!!!!
    3. Привет! Я Мавджуда из 253й группы
    4. Привет! Учусь на ПМИ.Классика, играю в хоккей 🏒

def add_new_lines(text):
    words = text.split(" ")
    new_text = ""

    for start_idx in range(0, len(words), 12):
        new_text += " ".join(words[start_idx : start_idx + 12]) + "<br>"

    return new_text.replace("\n", "<br>")


new_answers = pd.read_csv("data/new_question.csv")

# Добавляем переносы строк каждые 12 слов для удобной визуализации
# (при построении эмбеддингов используем нормальные ответы)
new_answers["answer_new_lines"] = new_answers["answer"].apply(add_new_lines)
new_answers

# Считаем эмбеддинги
new_embeddings = make_embeddings(
    new_answers["answer"], model=model, tokenizer=tokenizer, batch_size=16
)

# Делаем проекцию
pca = PCA(n_components=2)
new_projection = pca.fit_transform(new_embeddings)

  0%|          | 0/9 [00:00<?, ?it/s]

pca = PCA(n_components=10)
projection = pca.fit_transform(new_embeddings)

kmeans = KMeans(n_clusters=5, n_init=10, random_state=42)
new_clusters = kmeans.fit_predict(projection)

# Интерактивная визуализация
fig = px.scatter(
    x=new_projection[:, 0],
    y=new_projection[:, 1],
    hover_name=new_clusters,
    hover_data={"answer": new_answers["answer_new_lines"]},
    color=new_clusters.astype(str),
    width=1000,
    height=800,
    title="PCA проекция эмбеддингов ответов на новые вопросы на двумерное пространство",
    size=[1] * len(new_answers),
    size_max=10,
)
fig.show()

cluster_names = [
    "Расписано чуть более подробно как и с помощью каких методов кластеризовать (часто встречаются такие слова как k-means, dbscan, hierarchical clustering, PCA)",
    "В ответах обычно содержится список физических признаков, по которым можно делать кластеризацию",
    "Ответы в виде списка пунктов",
    "Похож на синий кластер, но менее подробное описание, без приведения примеров конкретных методов",
    "Мяу, restart и соня🙃",
]

for cluster in np.unique(new_clusters):
    cluster_points = new_projection[new_clusters == cluster]
    cluster_answers = new_answers.loc[new_clusters == cluster, "answer"]

    # Находим центр кластера
    cluster_center = cluster_points.mean(axis=0)
    # Считаем расстояния до центра от каждой точки кластера
    distances = np.linalg.norm(cluster_center - cluster_points, axis=1)
    # Сортируем расстояния и берем индексы в порядке возрастания расстояний
    closest_idxs = np.argsort(distances)
    # Берем топ-5 уникальных ответов, соответствующих полученным индексам
    closest_answers = cluster_answers.iloc[closest_idxs].drop_duplicates()[:5]

    print(f"{cluster_names[cluster]}:")
    for i, ans in enumerate(closest_answers):
        print(f"    {i}. {ans}\n" + "-" * 10)
    print("\n\n" + "-" * 100 + "\n")

Расписано чуть более подробно как и с помощью каких методов кластеризовать (часто встречаются такие слова как k-means, dbscan, hierarchical clustering, PCA):
    0. Для кластеризации магазинов можно использовать методы машинного обучения, такие как k-means или hierarchical clustering.

Предлагаю использовать алгоритм k-means для кластеризации магазинов, так как он хорошо работает с большими объемами данных.

Общее согласие в команде было достигнуто по использованию k-means для кластеризации, индекса Дэвиса-Болдина для оценки качества, а также на необходимость учета бизнес-контекста при определении успешности и точек роста магазинов.
----------
    1. Для решения задачи кластеризации супермаркетов, мы можем использовать метод k-средних или иерархическую кластеризацию. Выбор метода зависит от количества переменных и их типов. В качестве входных данных могут использоваться различные показатели эффективности работы магазина, такие как выручка, количество посетителей, средний чек и другие.

Кроме того, для определения успешных магазинов внутри кластера можно использовать анализ временных рядов или регрессионный анализ. Это позволит выявить факторы, влияющие на успех магазина, и использовать эти знания для улучшения работы других магазинов в кластере.

Таким образом, каждый член команды может внести свой вклад в решение этой задачи, используя свои знания и опыт в области анализа данных и машинного обучения.
----------
    2. Для кластеризации магазинов по их похожести можно также использовать методы анализа данных, например, методы без учителя, такие как метод главных компонент (PCA) или t-SNE. Эти методы помогут визуализировать данные и выделить скрытые закономерности между магазинами.

Кроме того, можно применить алгоритмы машинного обучения, такие как кластеризация K-means или DBSCAN, чтобы автоматически выделить группы магазинов на основе выбранных признаков.
----------
    3. Для кластеризации магазинов можно воспользоваться алгоритмами машинного обучения, такими как k-means, иерархическая кластеризация или DBSCAN. В качестве признаков для кластеризации можно использовать данные о местоположении магазина, выручке, ассортименте товаров, количестве посетителей и другие характеристики.
Для измерения качества кластеризации можно использовать внутрикластерные коэффициенты компактности и разделения, такие как коэффициент силуэта. Кроме того, можно применить индексы внешней валидации, такие как adjusted Rand index или F-мера, для оценки качества разделения кластеров.
После кластеризации успешные магазины можно выделить на основе их финансовых показателей и тд.
----------
    4. Для кластеризации супермаркетов можно использовать алгоритмы машинного обучения, такие как k-means или hierarchical clustering, основываясь на характеристиках магазинов (например, продажи, размер, местоположение).
Качество кластеризации можно оценить с помощью метрик, таких как Silhouette Score или Davies–Bouldin Index.
Для выявления успешных магазинов внутри кластеров можно использовать метрики производительности (например, выручка, прибыль) и анализировать их относительно средних значений в кластере.
Для определения точек роста для остальных магазинов в кластере можно применить ассоциативное правило или прогнозирование временных рядов.
----------


----------------------------------------------------------------------------------------------------

В ответах обычно содержится список физических признаков, по которым можно делать кластеризацию:
    0. кластеризация: хотим сравнивать магазины в их весовой категории - глупо сравнивать огромный супермаркет и магазин от бабы любы
поэтому кластеризовать будем: по площади зала, кол-ву сотрудников, плотности населения (большой город выгоднее), трафику (чем выше трафик тем хуже класс), другим супермаркетам и магазинам рядом (больше конкурентов - ниже выручка, супермаркеты влияют хуже чем маленькие магазины)

качество измеряем: в одном кластере выручка должна отличаться не очень сильно от магази к магазину. потери от списаний должны уменьшаться с увеличением класса магазинов. нужно будет подбирать коэффициенты и кол-во классов "крутости" магазина
----------
    1. Кластеризовать по каким-то критериям. Размер, колво клиентов, продаются ли товары кроме продуктов и тд.

Затем вводить внутри каждого кластера параметры доя оценки успешности. По типу колво прибыли/колво людей. Время окупаемости. ОбъИ тому подобное. Далее, чтобы понять точку роста, нужно смотреть на лидеров кластера и смотреть, как мы (те, кто хотим расти), можем приблизиться к ним. И делать
----------
    2. Можно кластеризация по районам (Плотность, количество сотрудников,  трафик, количество населения, образовательные учереждения (не для всех магазинов), площадь торгового зала)
Так будем сравнивать магазины в схожей местности, похожего размера. Качество измеряем по средней выручке за какое-то определенное время, плюс учитываем потери от списания в качестве минуса к качеству
----------
    3. Кластеризуем по городскому трафику и количеству сотрудников: мне кажется, что среди всех остальных признаков эти являются объемлющими. 

В одном кластере средняя выручка магазинов (например, поделим общую выручку на количество посетителей за определенный период времени) должна быть схожей. Самым успешным в такой модели будет магазин с наибольшим значением этой величины.
----------
    4. Выберем для кластеризации признаки: площадь торгового зала, городской трафик, продуктовые магазины рядом. Для оценки количества кластеров возьмём количество кварталов в городе. Качество определяем по целостности областей-кластеров, а также можно предъявить точки роста и оценить корректность
----------


----------------------------------------------------------------------------------------------------

Ответы в виде списка пунктов:
    0. 1) Хотим выбрать нужные признаки (размер магазина, район, и тд) - перевести их в числа. Далее работаем с этими данными
2) Требования: хотим чтобы близкие в пространстве признаков магазины попадали в одинаковый кластер, далёкие - в разные
3) Качество можно померить измеряя сумму попарных расстояний между объектами в одном кластере (меньше - лучше). Или можно как то ввести метрику основанную на том что далёкие в пространстве должны быть в разных кластерах и наоборот (через скалярное произведение)
----------
    1. 1)Уберем выбросы (слишком маленькие по выручке магазины) и отнормируем их выручки для всех магазинов.
2) определим новые признаки: выручка на единицу площади/на одного сотрудника
3) не забываем и о уменьшении количества данных, для этого применим сначала алгоритм понижения размерности, чтобы оставить самые важные признаки
4) теперь учтем соседей для каждого магазина выберем алгоритм,k ближайших соседей, с помощью алгоритма из первой лекции.
5) А теперь определим кластеры с помощью алгоритма, и пробуем найдем точки роста, например если успешные магазины в кластерах расположены в областях с высоким потоком покупателей, то переместим магазины в эти области, так мы определим точки роста для каждого кластера
----------
    2. 1) Предобработка данных: убрать выбросы (слишком маленькие по выручке магазины), отнормировать выручки всех магазинов.
2) Можно добавить новые признаки: другие продуктовые  магазины рядом, трафик людей в зоне магазина
3) если данных слишком много, применим сначала алгоритм понижения размерности, например PCA, чтобы оставить самые важные признаки
Для начала класстеры будем выбирать по кварталам в городе , а далее будем убирать некоторые , чтобы модель была наиболее интерепритируема 
4) выберем алгоритм, например k ближайших соседей, который был на первой лекции
5) выделим кластеры с помощью алгоритма, пробуем найти точки роста, например если успешные магазины в кластерах расположены в областях с высоким потоком покупателей, рекомендуем перемещение магазинов в подобные области
точки роста для каждого из кластеров:
----------
    3. 1) Для кластеризации переведём известные нам параметры, кроме продаж, выручки и прочих финансовых характеристик, которые в контексте задачи, являются таргетом, в числа и введём метрику на этих векторах
2) Затем строим кластеризацию, маленькая норма — один кластер, большая — разные
3) Качество измерить по малости норм и соответствии кластерищации
----------
    4. 1) Предобработка данных: убрать выбросы (слишком маленькие по выручке магазины), отнормировать выручки всех магазинов.
Можно добавить новые признаки: выручка на единицу площади/на одного сотрудника
2) если данных слишком много, применим сначала алгоритм понижения размерности, например PCA, чтобы оставить самые важные признаки
Например, 
Выбираем признаки: площадь торгового зала, трафик, другие продуктовые магазины рядом 

3) выберем алгоритм, например k ближайших соседей, который был на первой лекции

Оценим количество кластеров как количество кварталов в городе. (И дальше будем подбирать под лучшую интерпретуруемость модели) 

4) выделим кластеры с помощью алгоритма, пробуем найти точки роста, например если успешные магазины в кластерах расположены в областях с высоким потоком покупателей, рекомендуем перемещение магазинов в подобные области. ещё возможные точки роста - улучшение ассортимента, улучшение качества обслуживания покупателей.

5) измеряем качество по целостности кластеров. Также предоставить точки для бизнеса и сделать тестирование связанное с этим и так измерить качество
----------


----------------------------------------------------------------------------------------------------

Похож на синий кластер, но менее подробное описание, без приведения примеров конкретных алгоритмов:
    0. Как кластеризовать:
По всем параметрам(абсолютно)
Требования к модели:
Чтобы выделяла адекватные кластеры и внутри каждого кластера находила большие неравномерности тем самым находя точки роста
Как измерить качество:
Выявлять например отношения зарплаты к потерям
----------
    1. Кластеризуем следующим образом: в евклидовом пространстве объединяем точки в кластер, если плотность точек внутри шара/параллелепипеда больше какого-то значения(гиперпараметр). За качество будем брать функцию зависящую от того как много точек попало хоть в какой-то кластер, количества кластеров и похожести магазинов внутри кластера(по какой-нибудь метрике).
----------
    2. в клатеризации мы хотим различить маганизины по принципиальным признакам. Мне кажется, что это площадь торового зала, количество сотрудников, другие пролуктовые рядом. На графиках по этим признакам, если считать их равноценными, выделим уплотнения точек и назовем их одинаковым кластером. Качество кластеризации в этом случае - плотность точек внутри кластера, т е расстоние до точке в круге меньше чем до точек вне круга.
----------
    3. Как кластеризовать: по признакам, которые от нас не зависят (правый столбец); и далее искать точки роста в зависимости от признаков, подвластных нам (левый столбец). 
Как измерить качество: проверить, что при той же класиатризации по правому столбцу получим такие же класт
----------
    4. Кластеризовать: в качестве критерия возьмем продажи /(м^2 * плотность_населения). Вводим метрику, например евклидову. Вводим гиперпараметр в виде количества компаний в шаре.
В качестве критерия возьмем  сумму расстояний внутри кластера деленному на количество магазинов в шаре
----------


----------------------------------------------------------------------------------------------------

Мяу, restart и соня🙃:
    0. /restart
----------
    1. Мяу
----------
    2. Я проспал пару, поставьте балл, пожалуйста 🥺🥺🥺👉👈👉👈👉👈
----------


----------------------------------------------------------------------------------------------------

	answer	question	year
0	Одной минуты мало, чтобы выразить весь спектр эмоций)	Вам понравились нейронные сети?	2022
1	Да, Лиза Дахова самый классный лектор по ад)	Вам понравились нейронные сети?	2022
2	Да ❤️‍🔥 (возьмите на кафедру пожалуйста)	Вам понравились нейронные сети?	2022
3	Я бьюсь в экстазе!!!1!!1!	Вам понравились нейронные сети?	2022
4	Как искусственный интеллект, я не обладаю личными предпочтениями или эмоциями, поэтому мне не да...	Вам понравились нейронные сети?	2024
...	...	...	...
292	ДА, ОЧЕНЬ ПОНРАВИЛОСЬ, Я ХОЧУ ОТ НИХ ДЕТЕЙ	Вам понравились нейронные сети?	2024
293	Ну прикольно, но мне не нравится python, так, что такое, но таки норм норм 😎🫨	Вам понравились нейронные сети?	2024
294	Setting pad_token_id to eos_token_id: 50257 for open-end generation	Вам понравились нейронные сети?	2024
295	Главное, чтобы я понравилась им🙈	Вам понравились нейронные сети?	2024
296	Да, конечно, хочу на DS-поток, возьмите пж, я вас люблю	Вам понравились нейронные сети?	2024

	answer	question	year
0	абоба	Первый тестовый вопрос	2022
1	🎩\n🐸\n👕\n👖	Первый тестовый вопрос	2022
2	Спасибо за курс) Ожидаю что-то интересное	Первый тестовый вопрос	2022
3	Крекеры — топ	Первый тестовый вопрос	2022
4	Ответ на тестовый вопрос	Первый тестовый вопрос	2022
...	...	...	...
577	Добрый вечер! Я недавно закрыла матан!!!!!!	Первый тестовый вопрос. Поприветствуй бота и расскажи ему что-нибудь о себе	2024
578	Приветствую. Сегодня прекрасный день, чтобы начать ботать)))\nХочу отл	Первый тестовый вопрос. Поприветствуй бота и расскажи ему что-нибудь о себе	2024
579	Привет)\nНемного о себе.\nГений. Миллиардер. Плейбой. Филантроп.	Первый тестовый вопрос. Поприветствуй бота и расскажи ему что-нибудь о себе	2024
580	Привет, я студент курса анализа данных и хочу на ДС поток	Первый тестовый вопрос. Поприветствуй бота и расскажи ему что-нибудь о себе	2024
581	Медвед\nИдёт медведь по лесу\nВидит машина горит - сел в нее и сгорел	Первый тестовый вопрос. Поприветствуй бота и расскажи ему что-нибудь о себе	2024

	answer	question	answer_new_lines
0	Для кластеризации магазинов можно воспользоваться алгоритмами машинного обучения, такими как k-m...	Имеется несколько тысяч супермаркетов. Цель: кластеризовать магазины по похожести, внутри класте...	Для кластеризации магазинов можно воспользоваться алгоритмами машинного обучения, такими как k-m...
1	1) Кластеров должно быть не очень много и не очень мало\n2) Кластеры должны отражать близость ма...	Имеется несколько тысяч супермаркетов. Цель: кластеризовать магазины по похожести, внутри класте...	1) Кластеров должно быть не очень много и не очень мало<br>2) Кластеры<br>должны отражать близос...
2	Кодируем признаки (кроме первых двух, выручка и потери являются мерой успеха), стандартизируем и...	Имеется несколько тысяч супермаркетов. Цель: кластеризовать магазины по похожести, внутри класте...	Кодируем признаки (кроме первых двух, выручка и потери являются мерой успеха), стандартизируем<b...
3	1.Определим критерии для кластеризации. Это могут быть продажи, площадь магазина, количество сот...	Имеется несколько тысяч супермаркетов. Цель: кластеризовать магазины по похожести, внутри класте...	1.Определим критерии для кластеризации. Это могут быть продажи, площадь магазина, количество сот...
4	Сначала выберем значимые признаки: продажи и выпуска, площадь зала, торговые центры рядом, плотн...	Имеется несколько тысяч супермаркетов. Цель: кластеризовать магазины по похожести, внутри класте...	Сначала выберем значимые признаки: продажи и выпуска, площадь зала, торговые центры рядом,<br>пл...
...	...	...	...
132	Метод k-средних (k-means) - это алгоритм кластерного анализа, который используется для разделени...	Имеется несколько тысяч супермаркетов. Цель: кластеризовать магазины по похожести, внутри класте...	Метод k-средних (k-means) - это алгоритм кластерного анализа, который используется для разделени...
133	Делаем кластеризацию по всем признакам, признаки с наибольшем весом - трафик, площадь, выручка з...	Имеется несколько тысяч супермаркетов. Цель: кластеризовать магазины по похожести, внутри класте...	Делаем кластеризацию по всем признакам, признаки с наибольшем весом - трафик, площадь,<br>выручк...
134	Кластеризовать супермаркеты можно по окружению, их характеристикам. вроде размера и количества с...	Имеется несколько тысяч супермаркетов. Цель: кластеризовать магазины по похожести, внутри класте...	Кластеризовать супермаркеты можно по окружению, их характеристикам. вроде размера и количества с...
135	Кластеризовать используя Kmeans, каждый раз соединять наиболее близкие магазины в 1 класер, пока...	Имеется несколько тысяч супермаркетов. Цель: кластеризовать магазины по похожести, внутри класте...	Кластеризовать используя Kmeans, каждый раз соединять наиболее близкие магазины в 1 класер,<br>п...
136	кластеризовать следует по отдельным товарам и категориям, так как они задают схожесть магазинов\...	Имеется несколько тысяч супермаркетов. Цель: кластеризовать магазины по похожести, внутри класте...	кластеризовать следует по отдельным товарам и категориям, так как они задают схожесть<br>магазин...

Введение в анализ данных ¶

Кластеризация¶

1. KMeans ¶

Реализация KMeans из sklearn¶

2. EM-алгоритм ¶

Реализация EM-алгоритма из sklearn¶

3. DBSCAN ¶

Реализация DBSCAN из sklearn¶

4. Сравнение методов¶

5. Кластеризация ответов в бот¶

5.1 Кластеризация ответов на вопрос "Понравились ли вам нейросети?"¶

5.2 Кластеризация ответов на тестовый вопрос¶

5.3 Кластеризация ответов на вопрос про кластеризацию¶

Введение в анализ данных¶

Кластеризация¶

1. KMeans¶

Реализация KMeans из sklearn¶

2. EM-алгоритм¶

Реализация EM-алгоритма из sklearn¶

3. DBSCAN¶

Реализация DBSCAN из sklearn¶

4. Сравнение методов¶

5. Кластеризация ответов в бот¶

5.1 Кластеризация ответов на вопрос "Понравились ли вам нейросети?"¶

5.2 Кластеризация ответов на тестовый вопрос¶

5.3 Кластеризация ответов на вопрос про кластеризацию¶

Введение в анализ данных ¶

1. KMeans ¶

2. EM-алгоритм ¶

3. DBSCAN ¶